謝謝 為了 給予 我們 這 機會 到 演講 關於 如何 我們 使用 跳轉 在 製藥 流程 驗證 和 連續的 流程 確認。 我的 同事， 路易斯 和 I 將要 給 你 a 指導 到 這 背景 的 它， 如何 我們 做 它， 和 什麼 是 這 結果。
這 議程 是 那 第一的 我們 將要 描述 這 背景 和 這 概念。 自從 它是 驗證， 我們 必須 證明合法 這 假設 我們 有 在後面 我們的 模型， 所以 理智 查看 是 重要的。 然後 I 將要 去 在 到 演講 關於 這 特別的 方法 我們 是 使用 和 哪個 公式 我們 有 到 製作 為了 事物 那 是 不是 那裡 在 跳轉 預付。
然後 路易斯 將要 拿 超過 和 展示 如何 這 跳轉 腳本 是 正在做 它 到 自動化 這 計算 和 實施 什麼 是 遺失的 在 跳轉。 最後， 我們 將要 製作 一些 結論 和 希望 那裡 將要 也 是 時間 為了 問題。
現在 到 這 背景 和 這 概念 我們 是 在職的 和。 路易斯 和 I 來 從 a 公司 稱為 四、 和 我們 做 諮詢 之內 這 製藥 行業， 和 我們 是 跳轉 合作夥伴， 所以 我們 幫助 我們的 客戶 得到 價值 出去 的 這 數據， 的 課程， 使用 跳轉。
一個大 問題 之內 這 製藥 產業 是 流程 驗證 什麼時候 他們是 去 到 發射 a 新的 產品。 T 傳統上 為了 許多， 許多 年， 它 有 到過 完畢 經過 製作 三 批次。 I f 他們 是 好的， 這 驗證 曾是 已通過。
但 這 是 不是 真的 預測 這 未來， 這 是 預測 這 過去的。 所以，哦 f 課程， 你 能 製作 三 批次 那 是 好的， 和 然後 這 問題 能 出現 之後 在。 到 補償 為了 那， 那， 這 產業 有 傳統上 有 一個 廣泛的 和 從而 昂貴 品質管制 檢查 在 每一個 批次 到 確保 它 曾是 好的。
然而， 如果 我們 可以 證明 那 全部 未來 批次 會 是 好的， 然後 我們 可以 減少 這 品質管制 成本 沉重地。 但 如何 做 我們 預測 那 這 未來 批次 將要 是 好的 和 信心？ 是的， 我們 可以 使用 預言 間隔 或者 個人 信心 級別， 作為 I 稱呼 在 跳轉， 在 至少 在 一些 菜單。
如果 我們 放 批次 作為 a 隨機的 因素， 然後 這 驗證 批次 我們 是 尋找 在 將要 是 見過 作為 a 隨機的 取樣 的 全部 未來 批次。 T 特此， 我們 能 預測 如何 未來 批次 是 去 到 是。 如果 這 預言 是 裡面 規格， 我們 有 實際上 已證實 那 全部 未來 批次 將要 是 好的 給定 那 我們 能 維持 這 驗證器 狀態 力量。
然而， 這 可能 拿 更多的 比 三 批次， 但 做 他們 全部 有 到 是 在 狀態 二， 作為 我們 展示 在 這 圖形？ 或許 不是。 我們 實際上 應該 只是 仍然 製作 三 批次 在 你的 第一的 流程 的 驗證。 如果 它是 不是 足夠的， 然後 製作 這 休息 在 哪個 我們 稱呼 直的 三 一個， 哪個 是 後 商業化， 因為 然後 你 能 只是 賣 他們 一 經過 一。 它是 不是 a 大的 問題 那 你 有 到 製作 更多的。
然而， 這 需要 二 事物 到 是 已實現。 這 第一的 是 那 我們 仍然 有 這 廣泛的 品質管制 測試 那 我們 能 尋找 出去 如果 你的 批次 是 壞的 因為 我們 是 不是 然而 工具化， 它 將要 不是 發生。 A 另外， 的 課程， 它 需要 那 這 估計的 表現 是 好的。 如何 能 我們 看 如果 這 估計的 表現 是 好的？ 我們 能 做 那 經過 看到 如果 控制 限制 是 裡面 這 規格。
然後 我們 能 去 在 這 市場 和 之後 在， 什麼時候 也 預言 限制 是 在 這樣的 規格， 然後 我們 能 實際上 消除 或者 在 至少 減少 這 品質管制 檢查。 我們 可能 是 去 從 監控 這 產品 直到 監控 這 過程。
什麼 是 它 全部 關於？ 驗證 是 關於 預測 這 表格 的 未來 批次 和 信心， 不是 只是 預測 這 過去的。 如何 能 我們 做 那？ 我們 能 做 那 經過 使用 預言 或者 12 個間隔 在 跳轉。 如何 許多 批次 將要 我們 建議 到 製作 在 階段 二？ 我們 仍然 建議 三， 但 你 可能 不是 是 完畢。
如何 能 你 然後 經過 階段 二 和 很少 批次 所以 我們 能 去 在 到 這 市場？ 也就是說， 作為 I 說 前， 看 在 控制 間隔 因為 他們 是 沒有 信心。 你是 不是 受到懲罰 經過 僅有的 擁有 三 批次。 T 母雞 之後 在， 看 在 預言 或者 12 間隔。
如果 控制 間隔 是 裡面 規格， 預言 間隔 是 不是。 這 最問題 的 這 原因 為了 那 是 缺少 的 數據。 這 不應該 是 限制 你 到 去 到 這 市場。
然後 如何 許多 批次 到 製作 在 階段 3A？ 那是 相當 簡單的。 簡單地 直到 你的 預言 限制 是 裡面 規格， 然後 你 有 已通過 你的 階段 3 一個。 這些 限制 你 能 也 使用 作為 預言 限制 後 階段 3 A 什麼時候 你 去 進入 階段 3B.
我們 能 也 看 它 在 這 流動 圖表 在哪裡 你 在 上 左邊 角落， 開始 和 分析 你的 驗證 個， 通常 樹。 然後 你 計算 你的 預言 限制 在 跳轉 作為 a 隨機的 因素。 如果 他們 是 裡面 規格 限制， 一切 是 美好的。 你 有 已通過 兩個都 階段 2 和 3 A 和 一切 是 美好的。
如果 它 轉彎 出去 那 預言 限制 是 也 寬的 比較的 到 這 規格 限制， I 會， 作為 a 下一個 事物 l 還 在 我的 控制 限制 哪個 是 沒有 信心。 如果 他們 是 裡面， 然後 我們 只是 需要 更多的 數據 和 我們 將要 收集 更多的 數據 和 我們 計算 和 a 觀點 的 時間 我們 將要 去 出去 這裡 和 有 已通過 也 嚴格的 面對。
的 課程， 如果 它 發生 那 甚至 控制 限制 是 外部 規格， 然後 實際上 這 估計的 價值 是 壞的 和 你 是 不是 真的 準備好 為了 驗證 和 你 有 失敗的。 希望如此， 這 是 不是 去 到 發生。
讓我們 去 在 到 這 理智 查看。 現在 I 將要 去 進入 進入 跳轉。 I 將要 嘗試 到 證明 如何 它 作品。 這裡 你 看 a 跳轉 桌子 哪個 我們 有 製成， 或者 不是 我們 有 製成， 它 實際上 來 從 ISPE， 國際的 社會 的 藥物流行病學， 世界衛生組織 放 我們 這 數據 放 作為 a 好的 例子 在 如何 a 驗證 放 應該 看 喜歡。 許多 公司 或者 諮詢 有 嘗試過 到 計算 在 那 和 看 如何 會 他們 總結。
它是 基本上 a 數據 放 從 藥片 製造業， 和 經典地 它 包含 這些 三 批次 一個， B 和 C. 然後 我們 是 服用 出去 粉末 在 15 地點 在 這 混合器， 和 然後 我們 是 測量 這 API 內容， 那是 這 力量 的 這 實際的 [聽不清楚 00:06:52] 成分， 哪個 會 是 之間 85 和 115 到 是 裡面 規格。
如果 你 看 在 這 變異性 圖表 的 這 數據， 你 能 看 這裡 我們 有 這 三 批次 一個， B 和 C, 和 我們 也 有 這 15 地點 在 每個 批。 然後 之內 每個 批次 地點 組合， 我們 有 四 測量。
這 第一的 你 能 看 是 那 這 之內 地點 變化 在 批次 B 是 有些 大 比 在 批次 A 和 C. 我們 做 不是 有 不是 tch異質性。 到 製作 那 更多的 客觀的， 你 能 放 S 控制 限制 在 你的 標準 偏差 圖表 和 你 能 看 那 你 是 出去 的 控制 在 批次 B.
其他 方式 的 看到 它 會 是 到 製作 a 異質性 的 變異數 測試 作為 你是 看到 向下 這裡。 然後 它是 也 非常 清除 那 有 更多的 之內 或者 在 地點 變化 在 批次 B 比 在 這 其他 個。
嚴格來說， 你 不能 水池 這些 差異 然而 你 能， 但 我們 需要 然後 到 做 加權 回歸 在哪裡 我們 稱重 和 逆 方差。 那是 這 下一個 步 我們 將要 做， 去 進入 紀錄 變異數 造型， 哪個 你 能 做 在 跳轉。
我們 有 簡單地 這裡 只是 製成 a 紀錄 變異數 模型 在哪裡 你 能 看 那 這 地點， 這 批， 這 交互作用 全部 有 a 重要的 影響 在 這 等級， 但 僅有的 這 批次 有 a 重要的 影響 在 這 方差。 作為 你 能 看 那 這 變異數 為了 批次 B 是 有些 大 比 之內 變異數 在 批次 A 和 C.
什麼時候 你 有 建造 這 模型， 你 能 從 向上 這裡 只是 節省 這 列 和 你 能 節省 你的 變異數 公式。 我已經 已經 完畢 那。 它是 已經 在 我的 數據 放。 如果 I 取消隱藏 這裡， 這裡 你 能 看 我的 變異數 柱子 從 我的 紀錄 變異數 模型。 你 有 a 公式 這裡 說， 什麼 是 它 在 團體 A 和 C 為了 批次 A 和 C, 和 什麼 是 它 為了 批次 B？ 基於 在 那， I 能 現在 製作 加權 回歸 在哪裡 I 簡單地 只是 製作 a 重量 柱子 在哪裡 I 重量 我的 回歸 經典地 和 逆 方差。
然後 我是 準備好 為了 製作 a 理智 查看 在 我的 數據 因為 現在 I 能 水池 這 差異 後 加權 回歸， 所以 I 能 開始 正在做 理智 查看 在 我的 數據。 這 第一的 事物 I 會 做 是 到 看 在 a 系統性 模型 在哪裡 I 有 我的 地點， 批次， 和 這 相互作用。 母雞 I 能 看 在 我的 [聽不清楚 00:09:28] 類型 殘差 陰謀， I 有 不 異常值 和 不法之徒 , 但 它 是 裡面。
I 能 也 看 在 我的 盒子 陰謀 轉型， 有 不 需要 到 轉換 我的 數據。 這裡 它是 合理的 到 認為 那 I 有 這些 普通的 分散式 殘差， 哪個 是 這 假設 在後面 a 固定的 至少 方塊 模型。
然後 下一個 步 是 到 放 批次 作為 a 隨機的 因素， 不是 只是 a 系統性 因素， 因為 I 會 喜歡 到 預測 未來 批次。 這 是 什麼 I 有 完畢 這裡。 T 母雞 突然 你 得到 這些 變異數 成分。 什麼 是 這 之間 批次 變化？ 什麼 是 這 批次 地點 變化？ W 有 是 這 殘差 意思是 之內 批次 之內 地點 變化？
自從， 的 課程， I 有 加權 它 和 逆 方差， 這 數字， 的 課程， 獲取 關閉 到 一。 然而， 在 這 模型， 那裡 是 也 一些 額外的 假設， 即 那 這 批次 影響 和 這 批次 地點 影響 是 隨機 分散式， 意義 那 這些 隨機的 影響 預測 向上 這裡 應該 跟隨 a 普通的 分配。
到 測試 那， 你 能 只是 放 他們 進入 a 桌子， 哪個 我已經 完畢 這裡， 和 我們 能 測試 這 循環 只是 製作 一個 空的 模型 在哪裡 你 放 他們 作為 a 回覆. 你 能 看 兩個都 這 批次 訊號 或者 這 批次 差異 和 這 交互作用 差異 全部 是 裡面 這 殘差 限制。 也 這裡 我們 能 證明合法 這 假設 那 這些 是 只是 隨機的 因素。 這 是 這 理智 查看 的 這 模型。
現在 到 製作 模型 為了 批次 A 和 批次 C, 我們 需要 到 規模 他們 不同。 那是 什麼 I 有 完畢 在 這些 列 超過 這裡。 如果 I 取消隱藏 我的 列 這裡， 你 能 看 I 製成 一個 交流電 規模 重量 在哪裡 I 簡單地 只是 乘以 我的 重量 因素 和 這 縮放。 所以 I 得到 這 變化 I 有 見過 為了 批次 A 和 C, 和 這 相同的 事物 為了 我的批次 B. I 能 規模 這 重量 和 這 變異數 I 會 喜歡 到 有 作為 a 殘差 方差， 哪個 是 只是 未來 從 我的 堵塞 變異數 造型。 那是 也 漂亮的 直截了當 到 做。
N 哎喲 I 能 實際上 有 我的 二 模型 從 在哪裡 I 能 預測。 一 在哪裡 I 規模 和 我的 交流電 規模 重量 和 一 在哪裡 I 規模 和 我的 B 規模 重量。 從而 I 能 看， 如果 I 只是 跑步 一 的 他們， 一 規模 和 這 交流電 規模 重量， 然後 你 能 看 那 你 有 這 模型， 你 有 這些 殘差， 你 有 這些 平衡 成分。
什麼 是 非常 簡單的 在 跳轉 是 只是 到 去 向上 這裡 和 你 能 去 和 你 能 節省 你的 列。 F 唯讀記憶體 向上 這裡， 你 能 實際上 節省 這 預言 公式 那 會 是 你的 中心 線。 但 你 能 也 節省 你的 預言 間隔 那 這裡 是 稱為 個人 信心 間隔。
I 有 完畢 那 兩個都 為了 這 模型 和 也 為了 這 其他 模型。 I 也 想 這 其他 模型 和 這 不同的 縮放 為了 批次 B. T 母雞 I 節省 這些 列 作為 個人 信心 間隔。 然後 他們 是 只是 已儲存 向下 這裡 作為 這些 預言 公式。 然後 I 能 製作 a 合併 一 經過 只是 結合 這些 取決於 在 哪個 批次 團體 事物 是 未來 從。 現在 I 有 限制 為了 兩個都 批次 一個， B 和 C, 哪個 I 能 陰謀 在 這 相同的 圖形。
這 是 直的 超過 到 做。 直到 現在， I 只是 用過的 我是什麼 內部 跳轉。 但 到 得到 這 控制 限制 和 到 得到 這 寬容 限制， I 需要 到 計算 他們 我， 因為在 跳轉， 你 不 有 寬容 限制， 你 不 有 控制 限制 在 擬合模型。
的 課程， 你 有 控制 限制 什麼時候 你 做 控制 圖表， 但 那是 也 僅有的 為了 一 意思是 和 一 標準 偏差。 的 課程， 你 也 有 寬容 限制 在 分析 分配。 但 再次， 那是 僅有的 為了 一 意思是 和 一 標準 偏差。
這裡 我們 有 到 計算 他們 我們自己。 這 第一的 事物 我們 然後 做 是 只是 得到 這 變異數 成分。 這 是 什麼 我們 有 這裡。 W e 只是 已儲存 這 變異數 成分 從 這 二 模型， 一 在哪裡 我們 縮放 到 批次 A 和 C, 和 一 在哪裡 我們 規模 到 批次 B.
因為 什麼時候 我們 有 這 變異數 成分， 它是 漂亮的 直截了當 到 計算 這 控制 限制 因為 它是 基本上 只是 這 預言 公式 減 a 普通的 分位數， 和 然後 這 方塊 根 的 這 全部的 方差， 和 然後 任何一個 變異數 A 和 C 或者 B, 取決於 在 我們是什麼 尋找 在。 I 的 實際上 漂亮的 直截了當 到 計算 這 控制 限制 那 方式。
這 相同的 我們 能 做 為了 這 寬容 限制。 如果 你 更喜歡 寬容 限制 反而 的 預言 限制， 許多 公司 做。 再次， 很遺憾， 他們 是 不是 在 跳轉 模型， 但 我們 能 計算 他們。 那裡 我們 簡單地 只是 放 在 這 古典 公式 為了 a 寬容 限制。 在哪裡 一 雙面， 我們 放 在 這 T 分位數， 我們 放 在 這 度 的 自由， 我們 放 在 這 普通的 分位數， 和 作為 前， 的 這 部分， 和 然後 我們 乘 經過 這 全部的 餘額 從 這 變異數 成分。
這 僅有的 小的 位元 技巧 事物 這裡 是 那 我們 需要 這 度 的 自由 在下面 全部的 方差。 跳轉 是 不是 真的 給予 你 那。 它是 僅有的 給予 你 度 的 自由 在 系統性 模型。 但 我們 能 看 基於 在 這 寬度 的 這 預言 間隔， 那是 什麼 我們 有 這裡。 然後 我們 能 實際上 計算 基於 在 這 寬度 的 這 預言 間隔， 如何 許多 度 的 自由 做 我們 有 那裡， 和 然後 我們 只是 申請 這 相同的 度 的 自由 在 這 寬容 限制 和 然後 我們 是 準備好 到 去 和 我們 能 節省 全部 的 這些 限制 向下 這裡。 如果 我們 想， 我們 能 陰謀 他們。 這 是 什麼 我們 有 完畢 這裡。
這裡 你 能 看 實際上 這 預言 限制 和 這 寬容 限制 和 這 控制 限制。 這 控制 限制 是 這 虛線 線， 這 預言 限制 是 這 滿的 線， 和 這 粗糙的 虛線 線 是 這 寬容 限制。 你 看 那 為了 這 15 不同的 地點 和 為了 這 三 批次 一個， B 和 C和 的 課程， 限制 是 更寬 為了 批次 B 因為 它 有 更多的 之內 地點 差異。
你 能 實際上 看 那 甚至 這 控制 限制 在 這 虛線 線 是 外部 為了 地點 1 和 2 和 實際上 也 四。 甚至 儘管 這 過程， 這 是 a 好的 例子 的 a 驗證， I 會 說， 出色地， 如果 批次 B 是 代表， 你 有 實際上 失敗的 這 驗證。
如果 你 看 在 A 和 C, 然後 全部 這 虛線 線 是 裡面， 意義 那 我們 有 已通過 階段 二 因為 這 估計 價值 是 美好的。 但 在 a 很少 的 他們， 你 能 看 那 這 預言 限制 是 只是 外部。 但 什麼時候 你 有 這 大的 差距 之間 控制 限制 和 預言 限制， 只是 一 批次 更多的 會 大概 製作 他們 裡面。 這 是 如何 它 作品。
一些 公司 他們 做 不是 思考 它是 足夠的 到 看 在 如果 這 限制 是 裡面 規格。 他們 會 實際上 喜歡 到 得到 a ppk 能力 指數 在 他們。 我們 也 放 那 一 進入 我們的 方法 這裡。 如果 你 看 在 這 公式 這裡， 你 能 看 在哪裡 我們 有 這 預言 限制， 那是 也 放 在 a ppk 公式。
基本上 什麼 我們 做， 我們 只是 拿 這 預言 公式， 這 進入 這 規格 限制， 和 和 分裂 經過 這 一半 寬度 的 這 預言 限制。 這 是 這 ppk 那 對應 到 這 預言 限制。 因為 他們 是 和 信心， 這 是 實際上 ppk 和 信心。
你 能 做 確切地 這 相同的 和 你的 控制 限制。 只是 拿 這 古典 ppk 公式 和 只是 放 在 控制 限制 反而 的 預言 限制。 B 因為 控制 限制 是 只是 估計的 價值觀， 這 是 ppk 沒有 信心。 的 課程， 你 能 做 確切地 這 相同的 事物 也 為了 這 寬容 限制， 哪個 我們 有 向下 這裡， a ppk 基於 在 這 寬容 限制。 你 能 也 計算 全部 的 這些。 如果 你 想， 的 課程， 你 能 陰謀 他們 在 a 圖形 作為 你 看 這裡。
向上 這裡， 我們 有 估計的 ppk 沒有 信心， 那是 這 紅色的 一。 T 母雞 我們 有 這 藍色的 一 那 是 基於 在 寬容 限制 和 這 綠色的 一 那 是 基於 在 預言 限制。 向上 這裡， 它是 為了 這 好的 團體 A 和 C 和 指示 變化。 向下 這裡 如何 它 是 與批次 B，是 a 大 一。
你 能 實際上 看， 作為 我們 鋸 和 這 限制 為了 批次 B 變化， 甚至 這 估計的 價值 有 a ppk 以下 一 為了 一， 二， 和 四 職位。 儘管 全部 這 估計的 價值 是 很好 關於 一 為了 A 和 C. A 伊索 這 ppk 基於 在 預言， 這 綠色的 一， 最多 的 他們 是 關於 一， 和 他們是 非常 關閉 到 一 在 地點 一 和 二。 這 會 只是 要求 一 額外的 批次 大概， 和 然後 他們 會 是 裡面。
然而， 作為 你會 大概 看 它是 a 位元 乏味 到 做 全部 這些 計算 經過 手。 這 是 為什麼 我們 有 製成 a 腳本 為了 它， 哪個 路易斯 是 現在 去 到 證明。 I 應該 只是 路易斯 拿 超過 現在 和 節目 如何 這 腳本 作品。 我是 當然 他 將要 也 製作 a 很少 更多的 例子。
是的， 皮埃爾， 感謝 你 非常 很多。 I 將要 只是 嘗試 到 分享 我的 螢幕 這裡 然後。 是的。 第一的 事物 第一的， 作為 皮埃爾 有 顯示 我們， 我們 臉 a 很多 的 問題 期間 這 特別的 驗證。 幸運的是 為了 我們， 跳轉 有 a 很多 的 直的 向上 盒子 功能 到 幫助 我們 交易 和 這些 問題。 我們 真的 喜歡 到 使用 這 功能 未來 出去 的 這 盒子 和 跳轉 因為 這 真的 減少 我們的 驗證 負擔 什麼時候 去 向前。
一些 的 這 事物 跳轉 有 已解決 為了 我們 是， 為了 例子， 這 問題 那 我們 是 在職的 和 複雜的 流程 和 這些 不能 是 描述 經過 只是 一 意思是 和 一 標準 偏差。 這裡 到 交易 和 這， 是 利用 這 擬合模型 平台 在 跳轉 在哪裡 我們 能 有 多種的 系統性 因素 到 處理 這 許多 方法， 和 我們 能 也 有 多種的 隨機的 因素 到 交易 和 許多 變異數 成分。
然後 有 這 問題 和 數據 常 需要 一些 數據 轉型。 再次， 跳轉 有 這 博克斯-考克斯 轉型 窗戶 我們 使用 到 交易 和 這 直接地 在 這 擬合模型 平台。 然後 我們 通常 看 a 很多 的 異常值 我們 有 到 處理 在 大 數據 套。 H 還 我們 再次 槓桿作用 這 擬合模型 平台， 更多的 具體來說 這 學生 尺寸 殘差 陰謀 在哪裡 我們 排除 異常值 基於 在 這 邦費羅尼 限制。
這裡 它是 只是 重要的 到 筆記 那 在 至少 我們的 概念 是 那 我們 喜歡 到 排除 這 實際的 模型， 但 我們 總是 報告 他們 分別地。 它 有 到 是 視覺的 那 這些 是 不是 包括 在 這 分析。
然後 那裡 是 這 缺少 的 同質性 的 方差， 哪個 皮埃爾 也 顯示 如何 到 交易 和 使用 這 紀錄 變異數 造型 到 得到 出去 這 變化 和 然後 使用 這 變異數 到 計算 a 重量 公式。
然後 再次， 那裡 是 這 預言 間隔 哪個 我們 使用 相當 a 很多 這裡。 這裡 作為 出色地 跳轉 是 準備好 到 去 和 個人 信心 間隔 直接地 在 這 擬合模型 平台。
但 然後 作為 皮埃爾 也 提及， 我們 毛氈 喜歡 那裡 是 一些 部分 在哪裡 跳轉 可以 不是 帶來 我們 全部 這 方式 家。 這 包括， 為了 例子， 受控 間隔 在 跳轉， 哪個 能 僅有的 處理 這 一 意思是 和 一 變異數 成分。
如何 我們 克服 這 是 那 我們 計算 受控 間隔 從 這 擬合模型 使用 這 預言 公式 和 標準 錯誤 在 預言 公式 和 殘差 到 計算 這 全部的 方差， 和 從 這裡， 這 控制 間隔。
然後 那裡 是 這 事實 那 寬容 間隔 是 首選 經過 許多 的 我們的 顧客 因為 這 允許 你 到 分別地 放 這 信心 和 覆蓋範圍。 然而， 我們 僅有的 成立 那 跳轉 能 做 寬容 間隔 在 這 分配 平台， 和 它 能 僅有的 處理 一 意思是 和 一 變異數 成分 再次。
的 課程， 在 這 腳本 內建 外掛 那 它 能 計算 這 寬容 間隔 相似的 到 這 控制 間隔。 W 母雞 我們 做 這 計算 的 這 寬容 間隔， 我們 使用 這 相同的 度 的 自由 作為 用過的 什麼時候 跳轉 計算 它是 預言 間隔。
然後 或許 這 基本的 原因 為了 正在做 這 腳本， 或者 這 最初的 原因 在 至少， 是 那 計算 和 視覺化 的 全部 這些 間隔 是 非常 時間 消費 和 非常 易於 到 人類 錯誤。 實際上， 我們 決定 到 製作 這 腳本 到 自動化 計算 和 可視化。
然後 最後， 許多 的 我們的 顧客 要求 能力 和 透析 這樣的 作為 人均。 我們 有， 的 課程， 也 包括 這 在 我們的 腳本 這樣的 那 它 計算 ppk 相應的 到 兩個都 預言 限制， 什麼 我們 稱呼 ppk 和 信心， 和 也 控制 限制， 什麼 我們 稱呼 ppk 沒有 信心。
到 演講 關於 這 腳本 a 小的 位元, 這 腳本 我們 有 設計 這裡 包括 的 二 部分。 我們 主要 有 這 跳轉 腳本 你 看 這裡 在 這 中間， 和 然後 我們 也 有 a 範本 文件, 作為 你 看 向上 這裡 在 這 上 左邊 角落。
什麼時候 製作 這 腳本， 那裡 是 a 很少 事物 我們 真的 通緝 到 達到。 我們 通緝 到 製作 它 真的 透明的， 意義 那 我們的 顧客 可以 去 在 和 看 在下面 這 兜帽， 所以 到 說， 和 跟隨 這 計算 的 這些 不同的 限制 和 潛在 甚至 編輯 他們 他們自己， 哪個 需要 我們 到 這 下一個 事物。
我們 通緝 這 到 是， 在 至少 到 一些 程度， 可客製化 經過 我們的 顧客。 如果 他們 不 喜歡 這 方式 我們 計算 峰峰值， 我們 會 喜歡 到 給 他們 這 選項 到 去 在 和 編輯 這 方程式。
這 範本 文件 在 本身 是 事實上，可以這麼說， 一個 空的 數據 桌子。 它 有 a 很多 的 定義 列 和 柱子 公式， 但 它 有 不 列 在 那裡 然而。 什麼 我們的 腳本 做， 本質上， 是 那 它 作品 從 這 範本 文件 作為 一個 輸入。 它 也 需要 這 原來的 數據 文件 在 哪個 你 根據 你的 分析 作為 一個 輸入， 和 然後 它 需要 這 模型 窗戶。
這裡 它 是 到 是 說 那 這 模型 窗戶 是 假定 到 是 a 完全的 模型。 所以 你 有 完畢 全部 這 全部 你的 數據 操縱， 確保 那 這 是 a 恰當的 回覆 你 得到 從 這 模型。 A 伊索 你 有 製成 這些 理智 檢查 和 合理的 這 假設 在後面 這 模型 確保 它是 有效的。
什麼 這 腳本 做 本身 是 那 它 需要 這 範本 文件, 它 需要 這 原來的 數據 文件， 和 然後 它 副本 這 數據 從 這 原來的 數據 文件 到 這 範本 文件. 我們 完畢 這 這樣的 那 我們 不 幹擾 和 我們的 顧客 原來的 數據 任何一個。
它 然後 也 需要 全部 這 相關的 參數 從 這 模型 窗戶 和 插入 它 進入 這 範本 文件. F 唯讀記憶體 那裡 在， 更多的 或者 較少的， 這 範本 文件 將要 充滿 出去 本身 透過 這 已經 定義 公式 在 這 列。
這 範本 文件 將要 然後 在 這 結尾 是 已轉換 到 一個 輸出 桌子 在哪裡 這 第一的 許多 列 會 看 非常 很多 喜歡 這 原來的 數據 文件， 和 然後 你 將要 有 這 其餘的 計算 和 輸入 價值觀 作為 額外的 列 更遠 在。
I 思考 我們 應該 去 到 一個 例子 和 看 如何 這 看起來 在 真實的 生活。 I 將要 只是 嘗試 到 停止 分享 這 螢幕 和 分享 這 一。 什麼 我們 有 這裡 是 在 事實， 這 相同的 內酯類 案件 作為 [聽不清楚 00:25:20] 這裡。 什麼 你 會 做 是 你 會 有 你的 數據， 你 將要 跑步 a 模型。 在 這 案件， I 跑步 這 模型 在哪裡 同行 規模 它 到 對應 到 這 變化 在 批次 A 和 C, 這 批次 和 這 降低 變化。
什麼 你 簡單地 做 是 那 你 有 你的 模型， 確保 它是 完畢 在 感覺 的 理智 檢查 和 所以 向前。 然後 我們 跑步 這 腳本 在 這 模型， 哪個 是 這裡。 我們 有 這 模型 和 我們 跑步 這 腳本。
出色地 看 a 很少 事物 流行音樂 向上 這裡。 第一的， 我們 有 範本 文件, 輸出 文件 哪個 有 現在 到過 人口稠密 和 a 很多 的 不同的 行， 一些 桌子 變數， 和 所以 向前。 我們 有 我們的 ppk 圖形 這裡 視覺化 這 ppk 基於 在 不同的 限制。 這 藍色的 存在 基於 在 控制 限制， 這 紅色的 存在 基於 在 預言 限制， 和 這 綠色的 一 存在 基於 在 寬容 限制。 然後 最後， 我們 有 我們的 圖形 這裡 密謀 全部 這 數據， 規格 線條， 和 作為 出色地 我們的 預言 限制， 控制 限制， 和 寬容 限制 這裡。
我們 得到 這 影像 那 皮埃爾 也 顯示 更早。 什麼 我們 看 這裡 是， 在 事實， 那 如果 我們 看 在 我們的 數據 和 認為 全部 批次 各不相同 作為 很多 作為 批次 A 和 C, 我們 是 實際上 在 一個 好的 位置 這裡。 在 至少 我們 會 有 已通過 我們的 階段 二 因為 控制 限制 是 為了 全部 批次， 全部 地點 之內 規格。
我們 做， 然而， 有 a 小的 問題 出去 這裡 在 這 地點 1 和 2、 在哪裡 我們 看 在 至少 這 預言 的 寬容 限制 延伸 a 位元 超過 這 上 規格 限制。 然而， 我們 相信 這 可以 是 固定的 經過 只是 添加 a 很少 更多的 批次 到 知道 這 變化 更好的。
但 什麼 我們 也 看 這裡 是， 的 課程， 我們 有 一個 觀察 外部 我們的 限制， 和 這 是 因為 什麼 是 尋找 在 這裡 是 在 事實 批次 B, 哪個 作為 我們 記住， 有 a 更高 方差。 I 會 只是 嘗試 到 跑步 這 模型 這裡， 規模 根據 到 批次 B, 所以 你 能 看 這 不同之處。
現在 什麼 我們 看 這裡 是 那 全部 我們的 限制 有 已移動 出去 從 這 意思是。 現在 他們是 實際上 去 超過 規格， 不是 僅有的 在 這 第一的 二 地點， 但 在 多種的 地點 這裡， 哪個 會， 在 本質， 為了 我們， 尤其 因為 你 有 這 控制 他們 作為 外部 規格， 意思是 那 你 有 失敗的 你的 驗證 這裡。 或許 不是 這 最好的 例子 為了 這 數據 放 到 展示 a 好的 驗證。
現在 I 想法 I 會 只是 嘗試 到 去 透過 如何 我們 設想 這 全部的 流程 相關 更多的 到 這 流程圖， 皮埃爾， 顯示 你 在 這 開始 的 這 推介會。 I 有 帶來 a 顧客 例子 從 一個 實際的 PPQ 驗證 跑步。 他們 結束 向上 生產 a 全部的 的 六 批次 這裡。
什麼 我們 有 完畢 這裡 是 那 我們 有 製成 a 模型。 I 將要 只是 部署 當地的 數據 篩選 到 模擬 在哪裡 它 開始， 擁有 僅有的 這些 三 批次。 然後 什麼 我們 有 這裡 是 只是， 所以 到 說， 我們的 完成的 模型。 什麼 我們 做 現在， 後 擁有 製作 這 第一的 批次， 分析 這 數據， 我們 只是 跑步 這 腳本。 我們 得到 a 結果 尋找 喜歡 這。
這 設想 我們 看 這裡 是 那 兩個都 我們的 控制 限制 和 預言 限制， 這 預言 限制 向上 這裡， 寬容 限制 這裡， 是 兩個都 非常 很多 外部 這 規格。 然而， 幸運的 足夠的 為了 我們， 我們的 控制 限制 是 實際上 裡面 規格。
這 方法 在 這 感覺 的 這 流程圖 那 我們 現在 有 已通過 階段 2 和 我們 能 實際上 開始 從 現在 在 到 什麼時候 我們 做 我們的 持續 驗證， 得到 我們的 控制 預言 限制 和 寬容 限制 裡面 規格， 那 我們 實際上 能 開始 傳送 批次 到 市場 同時地。
但 熊 在 頭腦 這裡， 我們 仍然 有 a 漂亮的 高的 品質管制 努力 在 這 結尾。 這 原因 我們 相信 那， 因為 許多 顧客 也 問， 如何 能 我們 做 這 如果 我們 是 所以 不確定 關於 這 批次 我們 生產？ 但 如果 你 想 到 知道 這 品質 的 你的 已經 製作 批次， 我們 實際上 有 到 看 在 這 在 a 不同的 方式。
這裡 在 這 模型， 我們 有 批次 作為 a 隨機的 影響 因為 作為 我們 考慮 它 作為 a 部分 的 a 更大 人口。 但 如果 我們 想 到 看 在 這 批次 個別地， 我們 實際上 有 到 放 它 作為 a 系統性 影響 在 這裡。 如果 I 跑步 這 腳本 在 這 一， 我們 將要 看 這 限制 縮小 顯著地 在 這裡。 I 忘記了 到 部署 數據 篩選， 但 I 思考 這 使 感覺 反正。
什麼 我們 看 這裡 是 那 這 限制 現在 是 很多 更近 到 這 中心 線 的 每個 批次 這裡， 和 他們 是 方式 之內 我們的 規格 因為 我們 是 現在 尋找 在 這 批次 我們 有 已經 製作 和 不是 嘗試 到 預測 這 表現 的 未來 批次。 哪個 是 也 為什麼 我們 相信 那 這 是 一個 可接受 觀點 到 去 到 市場 儘管 仍然 擁有 這 高的 品質管制 努力 在 這 結尾。
如果 I 只是 繼續 和 我們的 例子， 什麼 我們 鋸 在 這 例子 曾是 我們 有 已通過 階段 二 因為 控制 限制 在裡面 規格， 但 預言 限制 在外面。 這 下一個 步 這裡 會 是 到 簡單地 生產 其他 批， 創造 你的 模型， 它是 完畢 這裡， 和 然後 跑步 這 腳本 再次。
什麼 我們 看 現在 這裡 比較的 到 這 第一的 看法 是 那 我們的 預言 和 寬容 限制 是 移動 向 規格 和 也 朝向 我們的 控制 限制， 哪個 是 這 行為 我們 將要 認為 作為 我們 開始 到 得到 這 之間 批次v 反義詞或 開始 到 知道 這 之間 批次 變體 更好的 和 更好的。
然而， 仍然， 預言 限制 是 不是 裡面 規格， 所以 這 常規 會 簡單地 是 到 做 一切 再次。 現在 因為 I 知道 如何 這 將要 結尾， I 將要 簡單地 包括 這 二 最後一批 和 我們 將要 在 這 模型 再次。
最後， 後 包括 這 第六 批， 這 結果 我們 得到 這裡 是 那 全部 我們的 限制 是 現在 之內 我們的 規格， 哪個 方法 我們 有 已通過 兩個都 階段 2 後 3 批次， 和 現在 我們 有 也 已通過 階段 3 一個。 哪個 方法 我們 現在 去 進入 階段 3B， 在哪裡 我們 將要 開始 到 放 我們的 注意力 在 減少 這 高的 數量 的 品質管制 努力 在 這 結尾 和 替換 這 和 持續 流程 確認 和 中央電視台。
只是 到 和 向上， I 將要 去 後退 到 這 推介會。 這 目的 的 a 驗證 是， 在 至少 在 我們的 觀點， 到 預測 這 未來 的 批次 將要 是 好的。 我們 牢牢 相信 那 如果 你 能 描述 你的 驗證 放 和 a 模型， 你 能 也 預測 這 未來 和 信心。 這 能 是 完畢 從 任何一個 預言 間隔 或者 寬容 間隔。
我們 相信 那 跳轉 有 獨特的 可能性 到 模型 你的 數據 和 也 到 證明合法 假設 在後面 你的 模型。我 t 優惠 這 機會 到 看 在 變異數 異質性。 如果 我們 做 不是 有 這， 我們 有 這 選項 到 做 a 紀錄 變異數 模型 到 尋找 a 重量 因素 作為 皮埃爾 顯示 你， 和 包括 那 在 我們的 普通的 回歸 模型。
然後 我們 能 看 在 無論 或者 不是 這 殘差 是 通常情況下 分佈式。 如果 他們 是 不是， 我們 能 做 a 博克斯-考克斯 轉型， 也 直接地 從 這 擬合模型 平台。 然後 我們 有 這 問題 的 異常值， 哪個 我們 能 處理 透過 這 學生 任務 殘差 陰謀， 排除 觀察 外部 這 95 % 邦費羅尼極限。 再次， a 窗戶 直接地 無障礙 透過 這 擬合模型 平台。
然後 最後， 那裡 是 也 那 我們 要求 我們的 隨機的 因素 到 是 通常情況下 分散式， 在 至少 影響 前面。 這 我們 做過 經過 這 藍色的 測試， 和 這裡 我們 能 也 排除 異常值 等級。
然後 到 製作 這 流程 更輕鬆 為了 我們， 我們的 顧客， 和 也 添加 a 位元 在 頂部 的 這 到 實際上 達到 這 功能 我們 慾望， 我們 有 決定 到 製作 a 腳本 那 能 自動化 視覺化 的 預言 間隔。 它 計算 和 視覺化 寬容 間隔 使用 這 相同的 數位 的 度 的 自由 作為 什麼時候 跳轉 計算 預言 間隔。 它 也 計算 控制 限制 為了 更多的 複雜的 流程 在哪裡 你 有 許多 方法 和 許多 變異數 成分。 最後， 它 計算 也 能力 價值觀 為了 在哪裡 這些 可能 是 需要。
